Google 发布 Gemini 生图指南：教你保持角色一致与局部微调

过去用 AI 改图，最让人头疼的就是「动一发而动全身」。你只是想让照片里的人换件衣服，AI 往往连人脸、发型甚至背后的窗户一起给你换了。

Google 正式公布了 Gemini 2.5 Flash Image。经常逛评测榜的人对它其实不陌生，前几周在 LM Arena 盲测榜上横扫全场、把第二名 Flux-Kontext 甩开一大截的神秘模型「nano-banana」，皮下原来就是它。

现在这项能力已经全面推送到 Gemini 应用、Google AI Studio、Vertex AI 以及开发者的 API 接口中。

像给修图师提需求一样改图

和很多把大语言模型与扩散模型强行拼在一起的做法不同，Gemini 2.5 Flash Image 采用的是原生多模态架构。说白了，它在底层是把文本和图像放在同一个步骤里同时处理的。

这种底层设计带来的最直接变化，就是极强的上下文理解和局部修改能力。比如你先生成一张现代简约客厅，接着直接对它说「把沙发改成深海军蓝」，然后再说「在茶几上放三本书」，它就只改动指定位置，整个房间的光影和结构完全不会崩。

角色一致性也是这次的重头戏。你可以先定义一个小精灵角色，下一轮对话直接让它骑着蜗牛穿过草地，人物的面部特征、服饰风格都能稳稳保留下来。

它甚至能理解现实世界的逻辑因果。官方演示里，先让它画一个人小心翼翼端着三层蛋糕，下一句输入「生成如果这人被绊倒会发生什么」，模型能根据物理常识，顺理成章地画出蛋糕飞出去的抓拍画面。

如果你有多张素材想拼在一起，它也支持跨图融合。比如分别生成宇航员和热带雨林篮球场，再让它把两者合二为一，生成一张宇航员在雨林里暴扣的照片。在 API 和 Google AI Studio 上的调用价格是每张图 0.039 美元，比 OpenAI 的 gpt-image 和 Black Forest Labs 的 Flux-Kontext 都要稍微便宜一点。

不过 Google 自己也承认现阶段的硬伤。比如画面长宽比经常不听使唤、生僻复杂的排版字体偶尔会拼错，偶尔风格化渲染也会超出预期。

为什么重要

对于创作者、电商卖家和独立开发者来说，这个模型非常值得立刻上手试试。以前做产品图换背景、给模特换装或者画连续故事绘本，不仅要在 Photoshop 里抠图图层堆叠，还要反复抽卡。现在只要用自然语言多轮对话，就能在几步内精确收敛到想要的效果，门槛被拉低到了文字输入的级别。

在行业竞争层面，Google 正在打一场追击战。今年 3 月 OpenAI 靠着原生生图功能掀起吉卜力风格头像风潮，甚至把服务器都干瘫了，目前 ChatGPT 周活已经超过 7 亿；而 Google 7 月财报里披露的 Gemini 月活才 4.5 亿。再加上 Meta 上周宣布找 Midjourney 采购技术授权，图像编辑已经成了争夺大众用户的核心战场。Google 拿出性能顶尖且价格更便宜的原生多模态模型，正是要从 OpenAI 手里抢回工作流入口。

我们认为，Google 这次最聪明的做法，是不再单纯堆砌画质和分辨率，而是把力气花在「可控性」和「多轮编辑」上。能听懂人话、只改该改的地方，远比生成一张不可修改的精美废片实用得多。但隐患依然在合规与安全防线上，Google 曾经因为人像生成偏差栽过大跟头，这次虽然加上了隐形水印并限制敏感内容，但在真实世界面对深度伪造的复杂审视时，这道防线能不能经受住考验，看起来依然需要时间验证。